1.本发明属于卫星遥感技术领域，尤其是涉及一种遥感影像变化检测方法及装置。
背景技术：2.遥感影像变化检测是通过图像处理和数学模型，检测出不同时期同一地理区域的地表地物变化信息。遥感图像变化检测在生态环境监测、灾害应急管理、地表覆盖监测等领域有着广泛的应用。近年来，深度学习技术快速发展，在数字图像识别领域发挥了重要的作用。
3.在土地执法的实际工作中，仍然是以基于人工实地调查取证方法为主，如能利用遥感影像进行耕地变化检测，从中提取耕地上新增的建筑用地，可大幅减小人力、时间和财力成本。
技术实现要素：4.本发明所要解决的技术问题是怎样对遥感图像进行检测分析，得到不同时刻图像中耕地与建设用地之间的变化，提高变化检测的准确度，提出了一种遥感影像变化检测方法及装置。
5.为解决上述技术问题，本发明所采用的技术方案是：
6.一种遥感影像变化检测方法，包括以下步骤：
7.步骤1：对同一地区t1时刻和t2时刻的两幅遥感影像进行特征提取，得到两个不同时相的特征图f1和f2；
8.步骤2：将t1时刻影像和t2时刻影像进行通道维度堆叠后进行特征融合提取融合变化特征图f3；
9.步骤3：将两个不同时相的特征图f1和f2以及融合变化特征图f3输入到神经网络模型进行特征加强与融合以及二值化处理得到变化检测结果。
10.进一步地，提取两个不同时相的特征图f1和f2以及融合变化特征图 f3的方法是使用主干特征提取网络。
11.进一步地，所述主干特征提取网络由三分支的编码-解码网络构成，将t1时刻影像和t2时刻影像分别输入到主干特征提取网络的上下两个分支的编码-解码网络中进行特征提取，得到两个不同时相的特征图f1和f2；
12.将t1时刻影像和t2时刻影像进行通道维度的堆叠后输入到主干特征提取网络的中间分支的编码-解码网络中进行特征融合与特征提取，得到融合变化特征图f3。
13.进一步地，步骤3所使用的神经网络模型是变化特征增强网络 cfi-net，所述变化特征增强网络cfi-net的网络结构包括用于对两个时相的未变化区域特征进行特征加强的无监督学习模块以及用于对差异特征fc和融合变化特征图f3进行特征融合的特征融合模块组成，所述差异特征fc是指将t1时刻影像提取的特征图f1和t2时刻影像提取的特征图f2求差值得到两个时相的。
14.进一步地，所述无监督学习模块包括一个sigmoid分类器、阈值转换器和两个乘法器，将融合变化特征f3输入sigmoid分类器得到分类结果，将分类结果输入阈值转换器进行阈值转换得到未变变化特征图m
uc
；
15.将未变变化特征图m
uc
分别与f1和f2进行相乘得到t1时刻和t2时刻的未变化的特征图f
uc1
和f
uc2
，
16.对t1时刻和t2时刻未变化的特征图f
uc1
和f
uc2
求损失l
mse
，使损失l
mse
更小来减小未变化特征图f
uc1
和f
uc2
之间的差距。
17.进一步地，所述对差异特征fc和融合变化特征图f3进行特征融合的特征融合模块由两个卷积核大小为3
×
3的反卷积、一个1
×
1的卷积和一个argmax函数构成，将t1时刻影像提取的特征图f1和t2时刻影像提取的特征图f2求差值得到两个时相的差异特征fc，将差异特征fc与融合变化特征图f3进行通道维度的堆叠输入到特征融合模块中进行特征融合和二值化处理得到最后的二值图像。
18.本发明还提供了一种遥感影像变化检测装置，包括以下模块：
19.不同时相特征提取模块：用于对同一地区t1时刻和t2时刻的两幅遥感影像进行特征提取，得到两个不同时相的特征图f1和f2；
20.变化特征图提取模块：用于对t1时刻影像和t2时刻影像进行通道维度堆叠后，进行特征融合并提取融合变化特征图f3；
21.检测结果输出模块：将两个不同时相的特征图f1和f2以及融合变化特征f3输入到神经网络模型进行特征加强与融合得到变化检测结果。
22.采用上述技术方案，本发明具有如下有益效果：
23.本发明提供的一种遥感影像变化检测方法及装置，通过提取不同时相的特征图，以及不同时相特征图的融合变化特征，通过使用无监督学习模块来减小不同时相特征图中变化区域特征的差距，以加强变化特征，从而提高变化检测的精度。
附图说明
24.图1为本发明对遥感影像变化检测流程示意图。
25.图2为cfi-net结构示意图；
26.图3为遥感影像实验结果图，其中，图3(a)为t1时刻的影像，图3(b) 为t2时刻的影像，图3(c)为本发明所提方法的检测结果影像，图3(d)为参考影像。
具体实施方式
27.下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
28.图1和图2示出了本发明一种遥感影像变化检测方法的具体实施例，包括以下步骤：
29.步骤1：对同一地区t1时刻和t2时刻的两幅遥感影像进行特征提取，得到两个不同时相的特征图f1和f2；
30.步骤2：将t1时刻影像和t2时刻影像进行通道维度堆叠后进行特征融合提取融合
变化特征图f3；
31.本实施例中，提取两个不同时相的特征图f1和f2以及融合变化特征图 f3的方法是使用主干特征提取网络。
32.所述主干特征提取网络由三分支的编码-解码网络构成，如图1所示，将t1时刻影像和t2时刻影像分别输入到主干特征提取网络的上下两个分支的编码-解码网络中进行特征提取，得到两个不同时相的特征图f1和f2；
33.将t1时刻影像和t2时刻影像进行通道维度的堆叠后输入到主干特征提取网络的中间分支的编码-解码网络中进行特征融合与特征提取，得到融合变化特征图f3。
34.本实施例中，三分支的编码-解码网络包括一个步长为2的7
×
7卷积、一个maxpool层、四个编码模块四个解码模块，该网络的输入数据大小为w
ꢀ×
h，输出大小为w/4
×
h/4。编码模块由两个反卷积、三个卷积层和一个残差连接构成。残差连接可避免梯度消失，提高网络的特征提取能力。解码模块由两个卷积层和一个反卷积层构成。编码模块使用卷积神经网络提取不同尺度的特征，解码网络通过卷积与反卷积将不同尺度的特征信息进行融合。
35.本实施例中，t1时刻影像和t2时刻影像在输入主干特征网络之前需做匹配校准预处理。
36.步骤3：将两个不同时相的特征图f1和f2以及融合变化特征图f3输入到神经网络模型进行特征加强与融合以及二值化处理得到变化检测结果，如图2所示。
37.本实施例中，步骤3所使用的神经网络模型是变化特征增强网络 cfi-net(change features improved network)网络，所述变化特征增强网络cfi-net的网络结构包括用于对两个时相的未变化区域特征进行特征加强的无监督学习模块和用于对差异特征fc和融合变化特征f3进行特征融合的特征融合模块组成。
38.本实施例中，所述无监督学习模块包括一个sigmoid分类器、阈值转换器和两个乘法器，将融合变化特征图f3输入sigmoid分类器得到分类结果，将分类结果输入阈值转换器进行阈值转换得到未变化特征图m
uc
。具体地，阈值转换器包括二进制转换g(x)和逻辑非的实现。阈值转换器h(x)的实现具体为：
39.h(x)＝！(g(x))
40.其中，！表示逻辑非，二进制转换的实现具体为：
[0041][0042]
其中，x为特征图中每个像素点的像素值。
[0043]
采用如下公式计算得到未变化特征图m
uc
：
[0044]muc
＝h(f
sig
(f3))
[0045]
其中的f
sig
(x)表示sigmoid函数。
[0046]
将未变变化特征图m
uc
分别与f1和f2进行相乘得到t1时刻和t2时刻的未变化的特征图f
uc1
和f
uc2
，
[0047]
对t1时刻和t2时刻未变化的特征图f
uc1
和f
uc2
求损失l
mse
，使其进行无监督学习来减小未变化特征f
uc1
和f
uc2
之间的差距。本实施例中，通过减小特征图f1和f2未变化区域的差异，反向加强差异特征fc。差异特征fc是指由特征图f1和f2求差得到。由于减小其未变化特征的差距，从而对变化的特征进行加强，进一步提高了变化检测的精度，有利于在土地执法
工作中减小人力、时间和财力成本。
[0048]
损失函数l
mse
的计算过程可表示为：
[0049][0050]
其中，i表示的是第i个像素，n表示的是像素的总数量，表示的是特征图f
uc1
的第i个像素，表示的是特征图f
uc2
的第i个像素。
[0051]
本实施例中，所述对差异特征fc和融合变化特征图f3进行特征融合的特征融合模块由两个卷积核大小为3
×
3的反卷积、一个1
×
1的卷积和一个argmax函数构成构成，将t1时刻影像提取的特征图f1和t2时刻影像提取的特征图f2求差值得到两个时相的差异特征fc，将差异特征fc与融合变化特征图f3进行通道维度的堆叠输入到特征融合模块中进行特征融合和二值化处理得到最后的二值图像。二值化处理是使用argmax函数进行处理的。本实施例中，将差异特征fc与融合变化特征图f3进行融合主要是为了得到更加丰富的变化特征信息。如图3所示，本发明的技术方案应用于农村乱占耕地建房的检测与辅助监督工作，具体的实施方式以该工作为例验证了基于cfi-net的农村乱占耕地建房遥感影像变化检测方法与系统的有效性。如图3所示，其中图3(a)为t1时刻的影像，图3(b)为t2时刻的影像，图 3(c)为本发明所提方法的检测结果影像，图3(d)为参考影像。由图3(c)和图3(d)可看出本发明所提方法的检测结果与参考图像之间的差异较小，说明本发明所提的基于cfi-net的农村乱占耕地建房遥感影像变化检测方法能够有效的检测出农村乱占耕地建房的问题。
[0052]
本实施例中，变化特征增强网络cfi-net训练样本来自不同时相的 google卫星影像。使用pytorch深度学习框架，搭建好cfinet，将标注好的训练样本切分成512*512大小的图像，并按照训练集:验证集:测试集为 4:1:1的比例分配数据。训练采用adam优化器，初始学习率为0.001，当连续当连续15次未出现loss下降，则降低学习率为之前的一半，当训练达到最大迭代次数时，结束模型训练。
[0053]
本发明还提供了一种遥感影像变化检测装置，包括以下模块：
[0054]
不同时相特征提取模块：用于对同一地区t1时刻和t2时刻的两幅遥感影像进行特征提取，得到两个不同时相的特征图f1和f2；
[0055]
变化特征图提取模块：用于对t1时刻影像和t2时刻影像进行通道维度堆叠后，进行特征融合并提取融合变化特征图f3；
[0056]
检测结果输出模块：将两个不同时相的特征图f1和f2以及融合变化特征f3输入到神经网络模型进行特征加强与融合得到变化检测结果。
[0057]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
技术特征：1.一种遥感影像变化检测方法，其特征在于，包括以下步骤：步骤1：对同一地区t1时刻和t2时刻的两幅遥感影像进行特征提取，得到两个不同时相的特征图f1和f2；步骤2：将t1时刻影像和t2时刻影像进行通道维度堆叠后进行特征融合提取融合变化特征图f3；步骤3：将两个不同时相的特征图f1和f2以及融合变化特征图f3输入到神经网络模型进行特征加强与融合以及二值化处理得到变化检测结果。2.根据权利要求1所述的检测方法，其特征在于，提取两个不同时相的特征图f1和f2以及融合变化特征图f3的方法是使用主干特征提取网络。3.根据权利要求2所述的检测方法，其特征在于，所述主干特征提取网络由三分支的编码-解码网络构成，将t1时刻影像和t2时刻影像分别输入到主干特征提取网络的上下两个分支的编码-解码网络中进行特征提取，得到两个不同时相的特征图f1和f2；将t1时刻影像和t2时刻影像进行通道维度的堆叠后输入到主干特征提取网络的中间分支的编码-解码网络中进行特征融合与特征提取，得到融合变化特征f3。4.根据权利要求1所述的检测方法，其特征在于，步骤3所使用的神经网络模型是变化特征增强网络cfi-net，所述变化特征增强网络cfi-net的网络结构包括用于对两个时相的未变化区域特征进行特征加强的无监督学习模块以及用于对差异特征f
c
和融合变化特征图f3进行特征融合的特征融合模块组成，所述差异特征f
c
是指将t1时刻影像提取的特征图f1和t2时刻影像提取的特征图f2求差值得到两个时相的。5.根据权利要求4所述的检测方法，其特征在于，所述无监督学习模块包括一个sigmoid分类器、阈值转换器和两个乘法器，将融合变化特征f3输入sigmoid分类器得到分类结果，将分类结果输入阈值转换器进行阈值转换得到未变变化特征图m
uc
；将未变变化特征图m
uc
分别与f1和f2进行相乘得到t1时刻和t2时刻的未变化的特征图f
uc1
和f
uc2
，对t1时刻和t2时刻未变化的特征图f
uc1
和f
uc2
求损失l
mse
，使损失l
mse
更小来减小未变化特征图f
uc1
和f
uc2
之间的差距。6.根据权利要求4所述的检测方法，其特征在于，所述对差异特征f
c
和融合变化特征图f3进行特征融合的特征融合模块由两个卷积核大小为3
×
3的反卷积、一个1
×
1的卷积和一个argmax函数构成，将差异特征f
c
与融合变化特征图f3进行通道维度的堆叠输入到特征融合模块中进行特征融合和二值化处理得到最后的二值图像。7.一种遥感影像变化检测装置，其特征在于，包括以下模块：不同时相特征提取模块：用于对同一地区t1时刻和t2时刻的两幅遥感影像进行特征提取，得到两个不同时相的特征图f1和f2；变化特征图提取模块：用于对t1时刻影像和t2时刻影像进行通道维度堆叠后，进行特征融合并提取融合变化特征图f3；检测结果输出模块：将两个不同时相的特征图f1和f2以及融合变化特征图f3输入到神经网络模型进行特征加强与融合得到变化检测结果。
技术总结本发明提供的一种遥感影像变化检测方法及装置，通过提取不同时相的特征图，以及不同时相特征图的融合变化特征，通过使用无监督学习模块来减小不同时相特征图中变化区域特征的差距，以加强变化特征，从而提高变化检测的精度。精度。精度。
技术研发人员：谢廷峰 吴宝中 常中祥 赵硕 胡佩 谭湘
受保护的技术使用者：中科天智运控（深圳）科技有限公司
技术研发日：2022.07.21
技术公布日：2022/11/1
